Personalización automática en la era del turismo inteligente y el big data
•
0 recomendaciones•114 vistas
Esta es una charla divulgativa para no especialistas en tecnología sobre cómo pueden emplear la personalización automática, el big data, y las recomendaciones para el problema del turismo digital
Recomendados
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Similar a Personalización automática en la era del turismo inteligente y el big data
Similar a Personalización automática en la era del turismo inteligente y el big data (20)
Último
Último (15)
Personalización automática en la era del turismo inteligente y el big data
- 1. Personalización automática en la era del turismo inteligente y el big data Dr. Víctor Sánchez Anguix
- 2. CV Ingeniería Informática (UPV) MSc. Inteligencia Artificial (UPV) Dr. en Informática (Inteligencia Artificial, UPV) Data Scientist en Atrapalo.com (2013-2015) Lecturer en Coventry University (2015-Actual) 2
- 4. UN PRODUCTO PARA TODOS 4 ╺ Asumimos los mismos gustos sobre productos para todos ╺ No requiere información del usuario ╺ El coste de implementación es mínimo ╺ Funciona en muchos casos, pero no en todos ╺ Como clientes estamos ocupados, tenemos poca paciencia, y tendemos a centrarnos en los primeros resultados/productos
- 5. PERSONALIZACIÓN 5 ╺ Cada cliente es diferente y tiene unas necesidades ╺ Escuchar las necesidades del cliente ╺ Proponer el producto que más se ajusta a las necesidades del cliente ╺ Requerimos de información del cliente
- 6. PERSONALIZACIÓN 6 ╺ Mejor adaptación a las necesidades ╺ Más conversión ╺ Sentirse especial y valorado ╺ Fidelización ╺ Confianza ╺ Necesitamos información del cliente ╺ Laborioso ╺ Doble filo si no es acertada
- 7. COMERCIO ELECTRÓNICO 7 - Podemos monitorizar casi todo en nuestra tienda - Navegación del cliente - Compras del cliente - Tiempo en cada producto - Datos demográficos - Algunos datos en redes sociales
- 8. LA EXPLOSIÓN DE DATOS 8 3.891.458.899 usuarios 68.761.303.014 tweets en lo que llevamos de año 55.580 GB/s 570.404.456.379 búsquedas en lo que llevamos de año 631,036,041,523 de visualizaciones en lo que llevamos de año Source: Internet Live Stats
- 9. EL COSTE DEL ALMACENAMIENTO 9
- 10. 10 BIG DATA ╺ Conjunto de tecnologías orientadas al almacenamiento,procesamiento,y análisis y extracción de conocimientode volúmenes masivos de datos ╶ Almacenamiento: Bases de datos NoSQL ╶ Procesado: Hadoop, Spark, Pig, Flink, etc. ╶ Conocimiento: Minería de datos, Machine learning, inteligencia artificial
- 11. 11 ALGORITMOS RECOMENDACIÓN ╺ Algoritmos que buscan predecir lo mucho o poco que un producto le gustará a un cliente en base a sus gustos, historial, actividad en el sitio web, y otra información de contexto. Algoritmo recomendación
- 12. 12 ALGORITMOS RECOMENDACIÓN ╺ Algoritmos que buscan predecir lo mucho o poco que un producto le gustará a un cliente en base a sus gustos, historial, actividad en el sitio web, y otra información de contexto. Algoritmo recomendación
- 13. 13 ALGORITMOS RECOMENDACIÓN ╺ Algoritmos que buscan predecir lo mucho o poco que un producto le gustará a un cliente en base a sus gustos, historial, actividad en el sitio web, y otra información de contexto. Algoritmo recomendación
- 14. 2. HACIA LA PERSONALIZACIÓN AUTOMÁTICA EN EL TURISMO 14
- 16. 16 TIPOS PRODUCTOS VACACIONALES - Menor frecuencia - Coste mayor - Temporadas altas/bajas* - No se suele repetir - Los clientes suelen buscar destinos en vez
- 17. 17 TIPOS PRODUCTOS URBANOS - Mayor frecuencia - Coste más bajo - No tiene estacionalidad tan marcada - Se puede repetir
- 19. 19 RUTA PERSONALIZACIÓN AUTOMÁTICA Primera interacción One size fits all Algún dato demográfico Recomendador demográfico
- 20. 20 RECOMENDADOR DEMOGRÁFICO Recomendador demográfico Edad: 23 Género: F Localidad: Valencia … 4.5 3.2 2.1 1.4
- 21. 21 RECOMENDADOR DEMOGRÁFICO Recomendador demográfico Edad: 36 Género: M Localidad: Coruña … 3.9 3.0 2.3 1.9
- 22. 22 RECOMENDADOR DEMOGRÁFICO ¿CÓMO? - Reglas establecidas por expertos del negocio - Segmentar usuarios y recomendar los más populares para cada segmento - Algoritmo aprendido automáticamente con machine learning y datos de valoraciones de otros usuarios en el sistema CONSIDERACIONES - Requiere poca información del cliente para hacer recomendaciones - Procesamiento ínfimo - Podemos incorporar conocimiento de expertos en el dominio - Podemos requerir información de otros clientes* - En el producto vacacional, la localidad del usuario es importante - No suele ser muy personalizado…
- 23. 23 RUTA PERSONALIZACIÓN AUTOMÁTICA Primera interacción One size fits all Algún dato demográfico Recomendador demográfico Recomendación recordatorio Una visualización de producto
- 25. 25 RECOMENDADOR RECORDATORIO ¿CÓMO? - Almacenar la navegación del usuario y recomendar producto de nuevo en x días, siempre que éste no haya sido comprado CONSIDERACIONES - Se requieren al menos algunas visitas del usuario - Procesamiento ínfimo - Retomar proceso de toma de decisión - Mostrado por canal email - Productos vacacionales - Muy útil si cambio de precio - Personalización, aunque no se descubre nada nuevo al cliente
- 26. 26 RUTA PERSONALIZACIÓN AUTOMÁTICA Primera interacción One size fits all Algún dato demográfico Recomendador demográfico Recomendación recordatorio Una visualización de producto Asociación de producto Una compra de producto
- 29. 29 ASOCIACIÓN DE PRODUCTO ¿CÓMO? - Detectar pares de producto que co- ocurren con frecuencia en el historial de compras/visualizaciones de los usuarios - A nivel de un solo carrito/sesión - A nivel de todas las compras/sesiones - Algoritmo Apriori CONSIDERACIONES - Se requieren al menos una visita o compra del usuario - Se requiere de visitas o compras de otros usuarios - Procesamiento pesado una única vez - Mostrado por canal email - Tipos de productos que pueden co- ocurrir (e.g., turismo urbano) - Personalización mínima
- 30. 30 RUTA PERSONALIZACIÓN AUTOMÁTICA Primera interacción One size fits all Algún dato demográfico Recomendador demográfico Recomendación recordatorio Una visualización de producto Asociación de producto Una compra de producto Recomendador contenido Múltiples compras de producto y visualizaciones
- 31. 31 RECOMENDADOR CONTENIDO Categoría: 3 Precio: 104 Distancia: 0.9 Descripción: … Categoría: 2 Precio: 41 Distancia: 3.4 Descripción: … Categoría: 3 Precio: 100 Distancia: 1.2 Descripción: … Categoría: 5 Precio: 98 Distancia: 0.3 Descripción: … Categoría: 1 Precio: 12 Distancia: 4 Descripción: … Recomendador contenido ??? Categoría: 2 Precio: 39 Distancia: 2.4 Descripción: …
- 32. 32 RECOMENDADOR CONTENIDO Categoría: 3 Precio: 104 Distancia: 0.9 Descripción: … Categoría: 2 Precio: 41 Distancia: 3.4 Descripción: … Categoría: 3 Precio: 100 Distancia: 1.2 Descripción: … Categoría: 5 Precio: 98 Distancia: 0.3 Descripción: … Categoría: 1 Precio: 12 Distancia: 4 Descripción: … Categoría: 2 Precio: 39 Distancia: 2.4 Descripción: … Recomendador contenido
- 33. 33 RECOMENDADOR CONTENIDO ¿CÓMO? - Dos productos que son similares deberían tener valoraciones similares por el mismo usuario - La clave es poder calcular similaridad entre productos - Vectores de números: Euclidea, coseno, correlación de Pearson - Texto: Procesamiento del lenguaje natural CONSIDERACIONES - Se requiere un historial de compras/visualizaciones del usuario y su valoración de los productos (>10) - Procesamiento pesado una única vez - Útil para vacacional (e.g., destinos, hoteles) aunque también se puede aplicar a otros - Personalización en base a preferencias del cliente
- 34. 34 RUTA PERSONALIZACIÓN AUTOMÁTICA Primera interacción One size fits all Algún dato demográfico Recomendador demográfico Recomendación recordatorio Una visualización de producto Asociación de producto Una compra de producto Recomendador contenido Múltiples compras de producto y visualizaciones Filtrado colaborativo Múltiples compras de producto y visualizaciones
- 37. 37 FILTRADO COLABORATIVO ¿CÓMO? - Para recomendar me voy a fijar en las preferencias del usuario y en lo que han hecho otros en el sistema - Tipos: - Basado en usuario: Usuarios que han valorado los mismos productos de forma similar en el pasado deberían de valorar otros productos de forma similar - Basado en producto: Pares de productos que reciben valoraciones similares de los usuarios, deberían recibir valoraciones similares en el futuro CONSIDERACIONES - Se requiere un historial de compras/visualizaciones del usuario y de otros usuarios en el sistema - Procesamiento pesado una única vez - Útil para dominios donde los usuarios es fácil que coincidan al valorar productos (e.g., destinos, urbano) - Personalización en base a preferencias del cliente
- 38. 38 RUTA PERSONALIZACIÓN AUTOMÁTICA Primera interacción One size fits all Algún dato demográfico Recomendador demográfico Recomendación recordatorio Una visualización de producto Asociación de producto Una compra de producto Recomendador contenido Múltiples compras de producto y visualizaciones Filtrado colaborativo Múltiples compras de producto y visualizaciones Híbrido Múltiples compras de producto y visualizaciones
- 39. 39 GUÍA PARA ESCOGER ALGORITMOS Personalización Datos usuario Datos otros Cómputo Vacacional Urbano One size fits all Nula No Sí Nulo Sí Sí Demográfico Mínima Características Sí Mínimo Sí Sí Recordatorio Mínima Un ítem visto No Mínimo Sí Puede Asociación Mínima Un ítem comprado o visto Sí Pesado una vez Solo destinos Sí Contenido Sí Muchos ítems vistos y/o comprados No Pesado una vez Sí Sí Colaborativo Sí Muchos ítems vistos y/o comprados Sí Pesado una vez Solo destinos Sí
- 41. 41 EL CONTEXTO - El contexto es importante ya que determina lo que quiere el usuario en ese momento - Contextos usuales: - Navegación - Lo que acaba de comprar - Contextos propios del turismo: - Estacionalidad - Sinergias entre productos vacacionales - El tiempo
- 42. 42 CONFIANZA RECOMENDACIONES - Los recomendadores suelen producir una lista de productos a recomendar por usuario - Normalmente únicamente las primeras recomendaciones son relevantes - Hay que decidir bien cuando mostrar las recomendaciones à Planificar de acuerdo al contexto
- 43. 43 DATOS FUERA DE TU ORGANIZACIÓN - Gratis: - WikiVoyage - Imágenes - Openflights - Yelp Dataset - TourPedia - Pago: - TripAdvisor - Amadeus